NVIDIA-Nemotron-Parse-2.0 vs PaddleOCR-VL: Cichy pretendent vs sprawdzony SOTA

Przetwarzanie dokumentów znajduje się w środku wyścigu o tytuł SOTA wśród modeli open-weight, a obaj rywale grają na zupełnie innych boiskach. PaddleOCR-VL, parser o wielkości 0,9B od zespołu PaddlePaddle z Baidu, zajmuje pierwsze miejsce w OmniDocBench v1.6 z wynikiem złożonym 96,33, trzema wydaniami w ciągu dziesięciu miesięcy i największym ekosystemem OCR, jaki się wokół niego zgromadził. NVIDIA-Nemotron-Parse-2.0, drugi zawodnik, pojawił się na Hugging Face 3 sierpnia 2026 roku — bez zapowiedzi, bez hostowanego endpointu i z kartą modelu, której liczb nikt poza NVIDIA jeszcze nie zweryfikował. Te dwa fakty sprowadzają sprawę do pytania o ugruntowaną pozycję: na którym parserze open-weight oprzesz etap parsowania swojego pipeline'u — na tym z publicznym rekordem na liście liderów, czy na tym, który pojawił się po cichu, twierdząc, że naprawił języki, z którymi wszyscy inni mają problemy?

Dwa sposoby na zbudowanie parsera stron

Oba modele mają około 0,9B parametrów, oba mają otwarte wagi i oba są zaprojektowane do samodzielnego hostowania. Na tym podobieństwa się kończą, ponieważ te dwa modele reprezentują przeciwstawne filozofie architektoniczne.

PaddleOCR-VL to dwustopniowy pipeline. Model układu, PP-DocLayoutV3, najpierw wykrywa każdy element na stronie, klasyfikuje go i przewiduje kolejność czytania. Dopiero potem model wizyjno-językowy PaddleOCR-VL — enkoder wizyjny o dynamicznej rozdzielczości w stylu NaViT w połączeniu z lekkim modelem językowym ERNIE-4.5-0.3B od Baidu — rozpoznaje każdy region: tekst, tabele, formuły, wykresy. Argumentem Baidu za takim podziałem jest to, że oddzielenie układu od rozpoznawania pozwala uniknąć halucynacji i błędów niewspółosiowości elementów, które modele end-to-end wykazują na złożonych, wielokolumnowych stronach.

NVIDIA-Nemotron-Parse-2.0 to odwrotny zakład: pojedynczy model end-to-end. Koder wizyjny ViT-H zbudowany na rdzeniu C-RADIOv2 firmy NVIDIA zasila dziesięciowarstwowy dekoder w stylu mBART, a całość mapuje obraz strony bezpośrednio na tekst w kolejności czytania, ramki ograniczające, klasy semantyczne i markdown w jednym przebiegu. Nie ma osobnego etapu układu do instalowania, strojenia ani wersjonowania.

Karta specyfikacji przedstawia się następująco:

• Architektura — PaddleOCR-VL: detekcja układu (PP-DocLayoutV3) plus 0,9B VLM do rozpoznawania (enkoder NaViT + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0: jeden wizyjny enkoder-dekoder 0,9B (ViT-H C-RADIOv2 + dekoder w stylu mBART).

Kontrakt wyjściowy — oba zwracają tekst w kolejności czytania, ramkę ograniczającą i klasę semantyczną dla każdego regionu oraz markdown. PaddleOCR-VL dodaje prompty specyficzne dla zadań do rozpoznawania tekstu, tabel, formuł, wykresów, spottingu i pieczęci; Parse 2.0 generuje tabele w formatach LaTeX, HTML, markdown, JSON lub CSV i w wersji 2.0 zyskał dedykowaną klasę semantyczną dla wykresów.

Kontekst — PaddleOCR-VL 1.6 obsługuje do 131 072 tokenów kontekstu; dokumenty kart w Parse 2.0 przyjmują dane wejściowe do 2048×1664, a limit wyniku wynosi 9 000 tokenów.

• Licencja — PaddleOCR-VL jest na licencji Apache 2.0; Parse 2.0 jest na NVIDIA Open Model License, a tokenizer na CC-BY-4.0. Obie pozwalają na wykorzystanie komercyjne.

Problem benchmarku: 96,33% kontra liczba, której nikt nie może sprawdzić.

To jest etap, na którym zestawienie przestaje być porównaniem, a staje się kwestią pozyskiwania.

Bieżące wydanie PaddleOCR-VL, PaddleOCR-VL 1.6, datowane na 28 maja 2026 r., raportuje 96,33% na OmniDocBench v1.6 — złożonym benchmarku obejmującym rozpoznawanie tekstu, formuł i tabel oraz przewidywanie kolejności czytania — oraz 93,19% na Real5-OmniDocBench, wariancie odpornościowym dla stron pofałdowanych, przekrzywionych i fotografowanych z ekranu, gdzie według Baidu przewyższa Gemini-3-Pro o blisko cztery punkty procentowe. To własne dane Baidu, ale są raportowane na wspólnym publicznym benchmarku w tej dziedzinie, dlatego można je zestawić w rankingu z MinerU 2.5-Pro, GLM-OCR i resztą tabeli liderów.

NVIDIA-Nemotron-Parse-2.0 podaje inny zestaw liczb na innym zestawie testów. ParseBench ogółem: 0,6391, wzrost z 0,5782 w v1.2; MOSCAR wielojęzyczny F1: 0,9102, wzrost z 0,4410; IndicVisionBench ANLS: 0,7203, wzrost z 0,0612; a odległość edycyjna pisma ręcznego w OmniDocBench Notes spadła z 0,9739 do 0,3395. Każda z tych wartości to wynik własny NVIDIA, wydrukowany na karcie modelu, i żadna nie została niezależnie odtworzona. ParseBench to zestaw testów NVIDIA; MOSCAR i IndicVisionBench to zestawy specjalistyczne. Nie opublikowano ani uruchomienia Parse 2.0 na złożonym benchmarku OmniDocBench, na którym przoduje PaddleOCR-VL, ani uruchomienia PaddleOCR-VL na ParseBench.

Więc uczciwa odpowiedź na pytanie „kto osiąga wyższe wyniki” jest taka, że nikt jeszcze tego nie wie, a każdy, kto twierdzi inaczej, porównuje różne miary. Jedyny punkt wspólny to pismo odręczne w OmniDocBench Notes, gdzie karta Parse 2.0 deklaruje dużą poprawę odległości edycyjnej względem własnego poprzednika — ale to liczba na poziomie zadania, a nie złożony wynik raportowany przez PaddleOCR-VL. Asymetria, która naprawdę ma znaczenie, jest strukturalna: 96.33 PaddleOCR-VL to pozycja w rankingu, którą każdy może sprawdzić, podczas gdy twierdzenia Parse 2.0 to repozytorium sprzed pięciu dni bez żadnych zewnętrznych weryfikacji.

Języki: pokrycie a deklarowane różnice

Oba modele zaczynają swoją prezentację od języków i oba mają historię — ale te historie mają różne kształty.

Wielojęzyczność PaddleOCR-VL to zasięg, który jest już dostępny: 109 języków, ze szczególnym wsparciem tam, gdzie wielojęzyczny OCR jest najtrudniejszy — starożytne chińskie dokumenty, rzadkie chińskie znaki, rozpoznawanie pieczęci i stempli, tekst pionowy oraz lokalizacja nieregularnych ramek dla stron pochylonych lub złożonych. Jest to parser, który świat potoków przetwarzania chińskich dokumentów przyjął właśnie z tego powodu.

Historia NVIDIA-Nemotron-Parse-2.0 to rzekoma delta. Słownictwo rośnie z 52 329 do 72 256 tokenów, a karta przypisuje ten wzrost wielojęzycznemu OCR, przy czym największe przyrosty dotyczą podobno pism CJK i indyjskich. Skok MOSCAR z 0,44 do 0,91 i IndicVisionBench z 0,06 do 0,72 to twierdzenia, że pisma, które wcześniej zawodziły, teraz parsują się akceptowalnie — w bengalskim, hindi, telugu, tamilskim i sześciu innych językach indyjskich, zgodnie z kartą.

To, który z nich ma znaczenie, zależy od tego, co parsujesz. Jeśli twój korpus jest chińskojęzyczny lub szeroko pojęty CJK, PaddleOCR-VL to sprawdzony, poparty rankingami wybór, a jedyne realne pytanie brzmi, czy potrzebujesz pełnego potoku, czy tylko modelu. Jeśli twój korpus skłania się ku językom indyjskim — bengalskiemu, hindi, gudżarati, kannada i ich sąsiadom — deklarowana delta Parse 2.0 to najbardziej interesująca liczba na jego karcie i jest to dokładnie tego rodzaju twierdzenie, które albo potwierdza się na twoich danych, albo upada. Nikt jeszcze nie uruchomił Parse 2.0 na publicznym benchmarku dla języków indyjskich.

Luka dojrzałości jest prawdziwą ceną

Żaden z modeli nie kosztuje nic za stronę — oba to darmowe wagi, które sam serwujesz — więc liczy się cena operacyjna, a tutaj różnica jest duża.

PaddleOCR-VL to ugruntowana platforma. Natywne wsparcie vLLM jest w samym frameworku (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 lub nowszy); Baidu udostępnia oficjalne wdrożenie o wysokiej wydajności z bramą FastAPI, Tritonem dla etapu układu strony oraz vLLM dla modelu VLM; są też społecznościowe kwantyzacje GGUF; PaddleOCR-VL 1.5 dodał wsparcie AMD ROCm od pierwszego dnia; a model jest zintegrowany z narzędziami, z których korzysta już większość użytkowników — RAGFlow, MinerU, Umi-OCR i OmniParser wszystkie go integrują. Przejście z wersji 1.5 do 1.6 jest bezkosztowe, ponieważ architektura się nie zmienia.

NVIDIA-Nemotron-Parse-2.0 ma zaledwie pięć dni i to widać. Uruchomienie go oznacza build vLLM z obsługą zdalnego kodu Nemotron Parse, backend uwagi Triton na sprzęcie klasy A100/A10 oraz cztery dodatkowe zależności (albumentations, timm, open_clip_torch, einops). Model utrzymuje swoją głowę wyjściową związaną z embeddingami dekodera, co niektóre buildy vLLM źle obsługują, dopóki nie dodasz dołączonej przez NVIDIA poprawki runtime. A dostarczony tokenizer.json ma wpakowane padding do 9000 tokenów — opiekun Dynamo trafił w sierpniu na realny przypadek, gdzie krótki prompt rozrósł się do dziesiątek tysięcy ID tokenów. Nic z tego nie jest śmiertelne; całość to czas inżynieryjny, jakiego dojrzała platforma nigdy nie wymaga. Nie ma też hostowanego endpointu ani pakietu NIM wymienionego dla wersji 2.0, więc self-hosting jest jedyną opcją.

Prędkość: oba szybkie, jeden deklarowany

W przypadku parsera stron przepustowość to liczba, która zamienia się w pieniądze. Flagowy wynik PaddleOCR-VL to mniej więcej 1881 tokenów na sekundę na pojedynczym A100, podawany przy premierze v1.0 i wciąż pochodzący od producenta — na tyle szybko, że model 0.9B jest rutynowo używany do przetwarzania danych OCR o dużej objętości. NVIDIA-Nemotron-Parse-2.0 to model end-to-end o wielkości 0.9B, więc z założenia jest szybki, a ekosystem już idzie dalej: pull request do vLLM, wciąż w trakcie przeglądu na 5 sierpnia, umożliwia dekodowanie spekulacyjne z wykorzystaniem pomocniczej głowicy predykcyjnej, którą NVIDIA dostarcza wraz z wagami, raportując medianę wzrostu przepustowości wyjściowej o 45,65% przy współbieżności 1, 40,85% przy współbieżności 8 i 39,60% przy współbieżności 32 na H100 dla 1005 stron ParseBench. Ten pull request nie został scalony ani powtórzony — traktuj te wartości procentowe jako kierunkowo interesujące, a nie jako punkt odniesienia, który możesz cytować.

Kto powinien wybrać, które

• Wybierz PaddleOCR-VL, jeśli potrzebujesz etapu parsowania, który zadziała w tym kwartale: dokumenty chińskie lub wielojęzyczne CJK, ekstrakcja tabel i formuł na poziomie SOTA, wdrożenie z użyciem vLLM lub Dockera oraz rekord na tablicy liderów, na który możesz wskazać podczas spotkania. To wybór produkcyjny o niskim ryzyku i odpowiedź dla każdego, czyj korpus w większości składa się z treści CJK.

• Wybierz NVIDIA-Nemotron-Parse-2.0, jeśli już samodzielnie hostujesz rodzinę Nemotron Parse — wersja 2.0 to aktualizacja typu drop-in o tym samym kształcie API — jeśli Twój zbiór tekstów zawiera dużo pisma indyjskiego lub odręcznego i chcesz sprawdzić, czy delty karty się replikują, albo czy dedykowana klasa semantyczna wykresów jest warta realnego czasu inżynieryjnego. Zaplanuj budżet na tarcia związane z wczesnym przyjęciem i nie stawiaj ścieżki produkcyjnej na tym rozwiązaniu przed własną ewaluacją.

• Wybierz środkową drogę, jeśli twój pipeline to naprawdę „parser, potem LLM” — a większość takich jest. Parser to jeden etap; model, który podsumowuje markdown, wyciąga pola lub odpowiada na pytania retrievalowe, to osobny etap, i to właśnie na tym drugim etapie platforma routingu pokazuje swoją wartość. Żaden z parserów w tym porównaniu nie działa na OrcaRouter — oba to samodzielnie hostowane modele o otwartych wagach — ale warstwa wokół nich to dokładnie to, do czego służy OrcaRouter: ponad 200 modeli za jednym API w cenniku dostawcy, 0% marży, dzięki czemu obniżka ceny u dostawcy jest aktywna tego samego dnia, w którym zostanie ogłoszona, oraz automatyczne przełączanie awaryjne, jeśli jeden z dostawców ulegnie degradacji. Praktyczna wersja tej rady: jeśli zamierzasz oprzeć pipeline na niesprawdzonym parserze, utrzymuj wszystko wokół niego wymiennym, tak aby przejście z Parse 2.0 na PaddleOCR-VL lub na inny LLM było zmianą routingu, a nie przepisywaniem kodu.

Konkluzja

Wybór tutaj nie dotyczy naprawdę dwóch modeli — to kwestia {{1}}rejestru publicznego i prywatnego twierdzenia{{/1}}. PaddleOCR-VL 1.6 to sprawdzony SOTA o otwartych wagach: {{2}}96.33 na OmniDocBench v1.6, 109 języków, ustabilizowany stos serwerowy i ekosystem już wokół niego zbudowany{{/2}}. NVIDIA-Nemotron-Parse-2.0 to {{3}}cichy pretendent{{/3}}: {{4}}ma pięć dni, nie został ogłoszony, działa tylko self-hosted, a jego karta modelu deklaruje bardzo duże zyski w wielojęzyczności i piśmie odręcznym, których nikt nie zweryfikował{{/4}}. {{5}}96.33 i 0.6391{{/5}} nie da się porównać bezpośrednio, a udawanie, że się da, to sposób, w jaki zespoły kończą z cytowaniem liczb, które znaczą co innego. Jeśli {{6}}wdrażasz dziś, wdrażaj PaddleOCR-VL{{/6}}. Jeśli {{7}}twierdzenie o wielojęzyczności{{/7}} jest tym, co testuje Twój korpus, cichy pretendent to {{8}}tania weekendowa ewaluacja na własnych dokumentach — różnice są tego rodzaju, że albo się replikują, albo się zapadają, a cicha premiera to najtańszy sposób, by się przekonać, która z tych opcji ma miejsce{{/8}}.

Najczęściej zadawane pytania

Czy mogę dziś porównać PaddleOCR-VL i NVIDIA-Nemotron-Parse-2.0 na jednym benchmarku?

Niezbyt sensownie. 96.33 PaddleOCR-VL to złożony wynik OmniDocBench v1.6 — wspólnego publicznego benchmarku w tej dziedzinie — podczas gdy wyniki Parse 2.0 to ParseBench (własny zestaw NVIDIA), MOSCAR, IndicVisionBench oraz podzbiór pisma ręcznego OmniDocBench, wszystkie raportowane przez producenta. Nie istnieje żadne niezależne uruchomienie Parse 2.0 na złożonym benchmarku OmniDocBench ani żadne uruchomienie PaddleOCR-VL na ParseBench. Jedyną częścią wspólną jest pismo ręczne w OmniDocBench Notes, a nawet tam oba modele podają różne rodzaje wyników. Dopóki niezależny podmiot nie uruchomi Parse 2.0 na wspólnym benchmarku, porównanie to jest jak porównywanie jabłek do pomarańczy.

Który model lepiej obsługuje dokumenty w języku chińskim i innych językach CJK?

Na dzień dzisiejszy PaddleOCR-VL, i nie jest nawet blisko pod względem dowodów. Model Baidu jest natywny dla CJK, utrzymuje publiczny status SOTA w benchmarku, którym rankinguje się tę dziedzinę, i ma udokumentowaną siłę w starożytnych chińskich dokumentach, rzadkich znakach i rozpoznawaniu pieczęci. Karta NVIDIA-Nemotron-Parse-2.0 deklaruje duże zyski w CJK i Indic względem v1.2, ale te liczby pochodzą od producenta i nie zostały niezależnie przetestowane. To twierdzenie warto sprawdzić, jeśli przetwarzasz te pisma; nie jest to jeszcze wynik, na którym można polegać.

Czy oba modele są darmowe i jak je uruchomić?

Oba to modele o wolnych wagach z dozwolonym użyciem komercyjnym — PaddleOCR-VL na licencji Apache 2.0, Parse 2.0 na NVIDIA Open Model License — ale żaden z nich nie jest hostowanym API na platformie routującej, a Parse 2.0 nie ma żadnej opcji hostowanej. PaddleOCR-VL działa natywnie w vLLM, w oficjalnym wdrożeniu Docker Baidu oraz przez stronę PaddleOCR i chmurowe API Baidu. Parse 2.0 musi być hostowany samodzielnie przy użyciu builda vLLM obsługującego zdalny kod Nemotron Parse, a także patcha tied-output-head i poprawki tokenizera. Etap parsowania i tak spoczywa na Tobie; to, co dodaje warstwa routująca, to etap LLM po nim, gdzie potrzebujesz swobody wymiany modeli bez przeprojektowywania potoku.